Embodied Self-Supervised Learning (EMSSL) with Sampling and Training Coordination for Robot Arm Inverse Kinematics Model Learning

要約

前方および逆運動モデルは、ロボットアームの基本であり、ロボットアームの運用タスクの基礎として機能します。
ただし、ロボットアームのモデル学習では、特に冗長な自由度が存在する場合、逆モデル学習は、複数のソリューションによって引き起こされる非凸の問題のため、逆モデル学習よりも困難です。
この論文では、サンプリングとトレーニングの調整を伴う具体化された自己監視学習（EMSSL）に基づいて、ロボットアーム逆モデルの自律学習のためのフレームワークを提案します。
モデル学習を加速し、ロボットアームモデルの迅速な適応のための2つのアプローチを提案するために、データサンプリングのバッチ推論と並列計算戦略を調査します。
一連の実験は、提案した方法の有効性を示しています。
関連コードはまもなく利用可能になります。

要約(オリジナル)

Forward and inverse kinematics models are fundamental to robot arms, serving as the basis for the robot arm’s operational tasks. However, in model learning of robot arms, especially in the presence of redundant degrees of freedom, inverse model learning is more challenging than forward model learning due to the non-convex problem caused by multiple solutions. In this paper, we propose a framework for autonomous learning of the robot arm inverse model based on embodied self-supervised learning (EMSSL) with sampling and training coordination. We investigate batch inference and parallel computation strategies for data sampling in order to accelerate model learning and propose two approaches for fast adaptation of the robot arm model. A series of experiments demonstrate the effectiveness of the method we proposed. The related code will be available soon.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google